Моделирование и количественные методы анализа в бизнесе

Освоение курса связанно с изучением теоретических основ статистики, теории вероятностей и получением комплексных знаний по практическому использованию методов обработки и анализа информации в бизнес - среде. Изучение курса позволяет использовать полученные знания на практике при обработке первичных данных, представлении полученных результатов в виде таблиц, графиков, диаграмм, построении обобщающих показателей. На их основе обеспечивается возможность использования наиболее эффективных статистических и количественных методов и моделей в экономическом анализе, включая построение распределений, количественные методы оценки вероятностей, методы принятия решений в условиях неопределенности, методы построения доверительных интервалов, методы построения и оценки статистических гипотез.

Курс проводится в двух вариантах: базовый и расширенный. Объем занятий в часах одинаковый.

Базовая программа подразумевает занятия и изучение материалов совместно со студентами магистратуры факультета. Расширенная программа - отдельная группа в рамках повышения квалификации.

Подробнее на нашем сайте: https://hsmi.msu.ru/curriculums/stp/program/modelirovanie-i-kolichestvennye-metody-analiza-v-biznese

Заключение и оплата договора 

Косоруков Олег Анатольевич - Заместитель декана по науке,

Программа базового курса

Тема 1. Методы персонального анализа данных

• Гистограммы, диаграммы рассеяния, временные ряды, сводные таблицы, обобщающие показатели, прямоугольные диаграммы, матрица парных корреляций.

Тема 2. Количественные методы теории вероятностей и математической статистики

• Теория вероятностей. Основные правила теории вероятностей. Дискретные и непрерывные случайные величины. Математическое ожидание и дисперсия. Производные вероятностные распределения. Нормальные, биномиальные распределения. Многошаговые процедуры принятия решений в условиях неопределенности. Оценка стратегий (EMV). Дерево решений и его программная реализация (TreePlan).

• Математическая статистика. Основная задача математической статистики. Понятие статистических оценок и их свойства. Оценка доверительных интервалов. Общий план анализа ситуаций в условиях неопределенности. Управление длиной доверительного интервала. Типовые статистические задачи. Проверка статистических гипотез.

Программа расширенного курса

Тема 1. Подготовка данных для статистического анализа

• Общие методы контроля и предобработки данных (выявление пробелов, дубликатов, аномалий, нарушений требований входной формализации данных и т.д.). Демонстрация автоматизации процесса предобработки и консолидации данных. Методы построения статистических выборок (метод простых случайных выборок, систематический метод, метод стратификации, кластерный подход, многоступенчатые методы построения выборок).

Тема 2. Методы статистического анализа данных

• Корреляционный анализ. Факторный анализ. Дискриминантный анализ. Совместный анализ.

Тема 3. Методы регрессионного анализа

• Метод наименьших квадратов. Выбор независимых факторов. Выбор класса функций. Парная и множественная регрессия. Методы оценки значимости регрессионных коэффициентов. Оценка точности регрессионной модели. Статистические тесты адекватности модели. Методы линеаризации задач регрессионного анализа. Работа с нечисловыми данными (метод фиктивных переменных).

Тема 4. Методы Data Mining

• Аналитическая отчетность и многомерное представление данных. Хранилище данных. Измерения и факты. Основные операции над кубом данных. Построение автоматизированных моделей анализа данных. Типы задач, решаемые методами Data Mining: классификация, кластеризация, регрессия, ассоциация, поиск последовательных шаблонов. Алгоритмы, получившие наибольшее распространение для каждого типа задач: самоорганизующиеся карты, деревья решений, линейная регрессия, нейронные сети, ассоциативные правила. Способы визуализации результатов исследований.

Осень 2024г. по набору группы 

В результате освоения программы слушатель сможет:

1. Освоить программный инструментарий персонального анализа первичных данных, а именно форматы исходной информации, механизмы работы, методы интерпретации результатов.

2. Изучить основные характеристики описательной статистики, методы их вычисления и интерпретации.

3. Изучить методы количественного анализа неопределенности, способы классификации недетерминированных задач.

4. Сформировать представление и навыки практического вычисления количественных характеристик процессов в условиях неопределенности.

5. Освоить методы принятия решений в условиях неопределенности.